高光谱图像相比RGB图像包含更丰富的色彩信息,在军事、农业、食品安全等多个领域有重要的应用。传统的光谱成像系统存在成本高、体积大、系统复杂等特点。随着计算摄像学的发展,计算光谱成像方法得到了长足的进步,其中基于压缩感知的光谱重建算法是目前主流的重建算法。然而基于压缩感知的光谱重建算法不但依赖手工设计特征先验,更需要对成像进行编码,导致系统复杂、光通量低、难以标定,无法拍摄动态光谱视频,阻碍了光谱视频成像技术的普及。针对上述问题,本文从数据驱动和模型驱动两个角度分别提出了解色散式的光谱重建算法,并基于此构建了相应的光谱成像系统。本文的主要工作和创新点包括:1.构建了一种无编码的紧凑型光谱成像系统,该系统只由一个色散元件（色散光栅）和一个图像传感器组成。相比传统压缩感知式成像技术,该系统无需复杂的编码孔径,结构简单,更利于集成化。2.提出了一种基于数据驱动的解色散式光谱重建算法。该算法利用一个三维卷积神经网络从色散RGB图像中学习得到光谱信息,重建出高光谱图像。网络训练得到的模型可以直接对训练数据集外的色散RGB图像进行求解,实现实时光谱重建,可应用于光谱视频成像。3.提出了一种基于模型驱动的解色散式光谱重建算法。利用无监督网络以在线训练的方法从单张色散RGB图像重建得到高光谱图像。该方法无需大量数据集用于网络训练,而是基于物理模型构建网络,通过在线训练获得网络权重参数并用于欠定的逆问题求解,算法更加简单且数据采集成本更低。总结来说,本文构建了紧凑简洁的光谱成像系统,摆脱了传统压缩感知系统复杂的光学结构和标定过程。基于该系统,本文提出两种解色散光谱重建算法,利用神经网络从色散RGB图像中学习光谱信息,摆脱了传统方法中手工设计特征先验的局限,使得算法更加鲁棒。比较这两种光谱重建算法和两种传统压缩式光谱重建算法,重建图像的PSNR与SSIM平均分别提升1.15d B和3.24%。